新葡京娱乐场-大陆娱乐场开户注册

對不同注塑工藝參數(shù)下長直注塑件翹曲變形進行模流分析，結(jié)果表明，澆注 遠端處的翹曲變形量較大，澆注入口處的翹曲變形量較小。保壓時間的增加，可 以降低塑件的翹曲變形。保壓壓力增加,塑件整體翹曲變形減小，尤其在澆注入 口處比較明顯。熔體溫度從 230°C提高到 270°C，塑件整體翹曲明顯減小，特別 在澆注遠端處比較明顯。降低模具溫度，對降低注塑件的翹曲變形有顯著地效果。

本發(fā)明公開了一種基于應用性能損失分析的數(shù)據(jù)中心功率配給 方法，數(shù)據(jù)中心管理員通過廠商或?qū)嶒炇覍崪y獲得服務器機型的 CPU 使用率和功率對應關(guān)系的配置信息，服務器中的監(jiān)控模塊提取 CPU 使 用率數(shù)據(jù)并上報給中心數(shù)據(jù)庫，數(shù)據(jù)分析模塊抽取中心數(shù)據(jù)庫中的 CPU 使用率數(shù)據(jù)，并比照服務器配置信息，分析計算服務器在任意功 率配給下的應用性能損失值，計算完成后，數(shù)據(jù)分析模塊生成功率配 給調(diào)整指導單，用以指導數(shù)據(jù)中心管理員制定服

本發(fā)明公開一種基于云技術(shù)的商品溯源及消費流向統(tǒng)計分析方法及系統(tǒng)，本發(fā)明中采用所述云計算平臺與云計算終端相互協(xié)作的云技術(shù)架構(gòu)，由所述云計算平臺負責億級加密二維碼的編碼、壓縮、加密、生成、激活、賦值及管理，并為消費者提供商品溯源服務，為企業(yè)提供消費流向統(tǒng)計分析服務；所述云計算終端負責賦予商品加密二維碼標識，本發(fā)明利用云技術(shù)強大的計算能力和性能，以及方便的

本發(fā)明公開一種基于云技術(shù)的商品溯源及消費流向統(tǒng)計分析方法及系統(tǒng)，本發(fā)明中采用所述云計算平臺與云計算終端相互協(xié)作的云技術(shù)架構(gòu)，由所述云計算平臺負責億級加密二維碼的編碼、壓縮、加密、生成、激活、賦值及管理，并為消費者提供商品溯源服務，為企業(yè)提供消費流向統(tǒng)計分析服務；所述云計算終端負責賦予商品加密二維碼標識，本發(fā)明利用云技術(shù)強大的計算能力和性能，以及方便的

近日，我校數(shù)學與統(tǒng)計學學院劉磊教授與上海交通大學朱苗苗教授合作的論文Asymptotic analysis for Sacks-Uhlenbeck$\alpha$-harmonic maps from degenerating Riemann surfaces被Memoirs of the American Mathematical Society接收發(fā)表。

本發(fā)明提供基于豐度顯著性分析的高光譜圖像解混方法及系統(tǒng)，包括建立待處理的高光譜遙感圖像 的端元光譜庫；用基于稀疏回歸的混合像元分解方法對每個像元進行初步混合像元分解并按照豐度值的 大小降序排列，對排序后的豐度序列進行顯著性分析，得到顯著性豐度的臨界值，然后根據(jù)預設(shè)的顯著 性豐度閾值進行判斷組成該像元的稀疏表示端元子集；最后采用豐度約束的最小二乘法再次進行混合像 元分解，將結(jié)果作為最終的混合像元分解結(jié)果。本發(fā)明可以得到更為稀疏和準確的像元表示端元

一種人行橫道線自動檢測分析方法及系統(tǒng)，包括輸入街景的影像，將影像分為訓練組和測試組，利 用訓練組訓練用于檢測人行橫道線的分類器；例如分類器對測試組影像進行人行橫道線的檢測識別，通 過后期處理排除錯誤檢測；利用分類器對訓練組影像進行人行橫道線的檢測識別，并通過后期處理排除 錯誤檢測；根據(jù)步驟 4 所得各測試組影像的識別結(jié)果和步驟 5 所得各訓練組影像的識別結(jié)果分別統(tǒng)計檢 測結(jié)果，包括對任一張測試組影像或訓練組影像，依照橫坐標值的不同，對每一個識別

本發(fā)明公開了一種光學元件支撐參數(shù)的確定方法，該方法具體為：確定保證面形精度的最少支撐點數(shù)為最優(yōu)支撐點數(shù)，并計算支撐點的理想支撐力；依據(jù)理想支撐力定義多個不同支撐力波動水平，計算不同支撐力水平下隨機支撐力引起的鏡片面形變化；統(tǒng)計并檢驗鏡片面形畸變的隨機分布規(guī)律，建立不同支撐力水平與光學元件成像質(zhì)量的映射關(guān)系；根據(jù)質(zhì)量控制標準，確定支撐力的波動范圍。本發(fā)明基于蒙特卡洛方法，解析不均勻支撐力作用下鏡片面形畸變的隨機分布規(guī)律，分析不同隨機支撐力水平對光學元件成像質(zhì)量的影響，從而確定合理的支撐力波動范圍，為光

本成果提出了基于零件批量加工數(shù)據(jù)分析的加工工藝與流程優(yōu)化，主要包括零件加工過程的工藝數(shù)據(jù)挖掘與機器學習算法、基于數(shù)據(jù)和機理模型相結(jié)合的零件加工精度預測、基于機器學習的零件加工工藝優(yōu)化與決策、基于數(shù)據(jù)驅(qū)動的零件批量加工工藝優(yōu)化方法驗證這四方面。以下是各方面具體對應內(nèi)容： 1）零件加工過程的工藝數(shù)據(jù)挖掘與機器學習算法：在數(shù)據(jù)挖掘與機器學習算法方面，搭建了軸類零件全流程加工工況數(shù)據(jù)實時采集硬件平臺，實現(xiàn)對加工力、加工振動、主軸電流等工況數(shù)據(jù)的實時在線獲取。 2）基于數(shù)據(jù)和機理模型相結(jié)合的零件加工精度預測：在航空薄壁件加工精度預測方面，對復雜曲面加工過程混合建模與全流程加工精度預測等理論開展了深入研究工作；建立了零件單工序/多工序加工精度預測混合驅(qū)動模型，實現(xiàn)了加工精度的高效高精預測。 3）基于機器學習的零件加工工藝優(yōu)化與決策：在軸類零件全流程加工工藝優(yōu)化與決策方面，圍繞隱馬爾可夫決策過程、遺傳算法等理論開展了理論研究工作，結(jié)合軸類零件加工過程開展了優(yōu)化工作；提出了加工參數(shù)自適應調(diào)控聯(lián)合決策方法。 4）基于數(shù)據(jù)驅(qū)動的零件批量加工工藝優(yōu)化方法驗證：構(gòu)建加工數(shù)據(jù)庫1套，包含機床設(shè)備、加工刀具、加工參數(shù)、檢測數(shù)據(jù)等四種類型數(shù)據(jù)。開發(fā)全流程加工智能推理軟件1套（部署于中航發(fā)南方公司柔軸車間），實現(xiàn)航軸全流程質(zhì)量數(shù)據(jù)感知與工藝優(yōu)化，其中全流程誤差建模與分析模塊實現(xiàn)了端到端的零件加工質(zhì)量智能推理，可以用于工藝設(shè)計與現(xiàn)場預先感知，加工過程工藝數(shù)據(jù)挖掘模塊實現(xiàn)基于批量數(shù)據(jù)的多工序誤差流分析，實現(xiàn)后續(xù)工序加工誤差推理，加工過程工藝優(yōu)化與智能決策模塊實現(xiàn)了零件多工序加工質(zhì)量數(shù)據(jù)推理與給定期望指標下的加工參數(shù)優(yōu)化。 圖1 本成果對應功能結(jié)構(gòu)示意圖 【技術(shù)優(yōu)勢】 圍繞航空領(lǐng)域制造的加工質(zhì)量問題，開展基于制造過程數(shù)據(jù)的工藝全流程智能決策技術(shù)與系統(tǒng)的研發(fā)，初步實現(xiàn)工藝與制造過程的智能控制。在數(shù)據(jù)挖掘與機器學習算法、航空薄壁件加工精度預測、軸類零件全流程加工工藝優(yōu)化與決策、零件全流程加工質(zhì)量智能推理與優(yōu)化、智能加工產(chǎn)線智能決策技術(shù)應用與推廣等多個方面實現(xiàn)了突破，具有顯著的理論價值與應用價值。 規(guī)范制定方面，研究了薄壁件加工誤差產(chǎn)生的深層機理，構(gòu)建了批量零件加工過程中誤差傳遞的理論模型，探究了機床、夾具、刀具、加工參數(shù)全方位、多層次的因素對于零件加工誤差產(chǎn)生的影響規(guī)律，提出了零件加工工藝與流程優(yōu)化策略，形成制定面向航空發(fā)動機大長徑比軸類零件的決策規(guī)范，規(guī)定軸類零件全流程加工過程中機床、刀具、裝夾、加工參數(shù)四個方面的具體要求。通過中國航發(fā)南方工業(yè)有限公司企業(yè)標準體系管理系統(tǒng)制定、修改、審批，形成《航空發(fā)動機軸類零件加工工藝優(yōu)化與決策技術(shù)規(guī)范Q/2B 1586—2022》。 軟件開發(fā)方面，將上述理論成果進行高度集成，開發(fā)了零件全流程加工智能推理優(yōu)化軟件（MIO軟件）。軟件集成了四大功能模塊，包括加工工藝數(shù)據(jù)庫、全流程誤差建模與分析、加工過程工藝數(shù)據(jù)挖掘、加工工藝優(yōu)化與智能決策。相關(guān)知識與優(yōu)化規(guī)則形成權(quán)。全流程加工智能推理優(yōu)化軟件以及知識庫軟件通過第三方測評，測評機構(gòu)具備MA與CNAS認證資質(zhì)，最終形成《零件全流程加工智能推理優(yōu)化軟件第三方測試報告》、《智能加工產(chǎn)線工藝全流程智能決策工藝知識庫軟件第三方測試報告》。 應用驗證方面，結(jié)合航空發(fā)動機制造具體需求，將相關(guān)成果應用到某型號航空發(fā)動機軸類零件（動力渦輪傳動軸）加工生產(chǎn)中。將零件全流程加工智能推理優(yōu)化軟件部署在航軸加工車間，在驗證產(chǎn)品的加工設(shè)備上部署了數(shù)據(jù)采集裝置，實時采集加工過程數(shù)據(jù)，集成企業(yè)工藝資源數(shù)據(jù)庫和產(chǎn)品數(shù)字化檢測系統(tǒng)，獲取機床、夾具、刀具、產(chǎn)品質(zhì)量等信息，構(gòu)建了加工工藝數(shù)據(jù)庫，開展了航軸加工工藝分析、現(xiàn)場加工質(zhì)量預先感知、加工工藝與流程優(yōu)化、現(xiàn)場實際加工驗證等工作。通過南方公司現(xiàn)場應用驗證，零件次品率平均降低54.53%。（2019年至2020年優(yōu)化前，次品率為8.38%；2021年6月至2022年5月優(yōu)化后，次品率為3.81%）。相關(guān)應用驗證通過了中國航發(fā)南方公司的效果認定，并形成用戶報告。 【技術(shù)指標】 1）采用機理模型/有限元仿真技術(shù)獲取切削力/熱/柔度/加工誤差數(shù)據(jù)集，構(gòu)建代理模型實現(xiàn)了切削過程的毫秒級預測，切削過程關(guān)鍵物理量的預測時間優(yōu)于10毫秒。 2）建立了機理模型與小樣本工況數(shù)據(jù)混合驅(qū)動的預測模型不確定分析與量化模型，提出了貝葉斯框架下的不確定校準方法，實現(xiàn)了加工誤差快速（毫秒級）精準（偏差小于5微米）預測。 3）提出了航軸加工質(zhì)量狀態(tài)估計方法，建立了現(xiàn)場多源數(shù)據(jù)信息串聯(lián)模型，基于隱馬爾科夫的決策模型，實現(xiàn)工序間感知平均誤差控制在9.21%內(nèi)。 4）建立了加工次品率與加工參數(shù)約束集間雙向映射互通模型，首次提出了基于隱馬爾科夫模型與遺傳算法的聯(lián)合決策方法框架，聯(lián)合決策優(yōu)化框架保證次品率降低優(yōu)于50%。